3. 经典降噪算法（谱减法）：原理推导、Python实现、参数调优与音乐噪声问题

谱减法，说白了就是语音降噪领域里最经典、最直观的一种方法。我刚开始做语音增强那会儿，第一个上手的算法就是它。为什么？因为它思路简单——既然噪声是加性的，那我直接从带噪信号里把噪声减掉不就行了？

但事情远没这么简单。你减多了，语音失真；减少了，噪声残留。更头疼的是，减完之后会冒出来一种奇怪的“音乐噪声”，听着像水里的气泡声，非常刺耳。这一章我们就把它彻底讲透。

3.1 谱减法的数学原理

先回顾一下基本模型。假设我们采集到的带噪信号是：

y(t) = x(t) + n(t)

其中 x(t) 是纯净语音，n(t) 是加性噪声。做短时傅里叶变换（STFT）后，频域表示为：

Y(ω) = X(ω) + N(ω)

谱减法的核心假设是：噪声是平稳的，也就是说，我们可以用无声段的噪声谱来估计当前帧的噪声。这个假设在实际场景中并不总是成立，但它是谱减法能工作的基石。

幅度谱减法公式如下：

|X̂(ω)| = |Y(ω)| - α · |N̂(ω)|

这里 α 是过减因子，一般取 1~3 之间。如果结果小于 0，就置为 0 或者一个很小的值（flooring）。

完整的谱减法流程可以概括为：

1. 对带噪信号分帧、加窗、做 STFT
2. 用前几帧（无声段）估计噪声幅度谱 |N̂(ω)|
3. 对每一帧计算增益函数 G(ω) = max(1 - α·|N̂(ω)|/|Y(ω)|, β)
4. 应用增益：|X̂(ω)| = G(ω) · |Y(ω)|
5. 结合原始相位，做 ISTFT 恢复时域信号

这里 β 是谱下限（spectral floor），通常取 0.01~0.1。它的作用是防止增益为 0 导致语音完全断裂。

3.2 Python 实现：从零手写谱减法

我个人习惯用 librosa 做 STFT/ISTFT，但为了让你看清每一步，这里用 numpy 和 scipy 手写一个简洁版本。

import numpy as np
from scipy.io import wavfile
from scipy.signal import stft, istft

def spectral_subtraction(y, sr, n_fft=512, hop_length=128, alpha=2.0, beta=0.01):
    # STFT
    f, t, Zxx = stft(y, fs=sr, nperseg=n_fft, noverlap=n_fft - hop_length)
    mag = np.abs(Zxx)
    phase = np.angle(Zxx)

    # 估计噪声：取前 5 帧的平均
    noise_frames = 5
    noise_mag = np.mean(mag[:, :noise_frames], axis=1, keepdims=True)

    # 计算增益
    gain = 1 - alpha * noise_mag / (mag + 1e-10)
    gain = np.maximum(gain, beta)

    # 应用增益
    mag_clean = gain * mag

    # ISTFT
    Zxx_clean = mag_clean * np.exp(1j * phase)
    _, y_clean = istft(Zxx_clean, fs=sr, nperseg=n_fft, noverlap=n_fft - hop_length)
    return y_clean

调用方式很简单：

sr, y = wavfile.read('noisy_speech.wav')
y_clean = spectral_subtraction(y, sr, alpha=2.5, beta=0.02)
wavfile.write('clean_speech.wav', sr, y_clean.astype(np.int16))

3.3 参数调优：过减因子与谱下限

谱减法就两个核心参数：α（过减因子）和 β（谱下限）。但调起来门道不少。

参数	作用	典型范围	调大后果	调小后果
α（过减因子）	控制噪声削减力度	1.0 ~ 3.0	语音失真，音乐噪声加重	噪声残留多
β（谱下限）	防止增益归零	0.01 ~ 0.1	噪声残留，但语音自然	语音断裂，有咔哒声

我一般这样调：先固定 β=0.02，从 α=1.5 开始试。如果噪声残留明显，逐步增加到 2.0~2.5。如果出现音乐噪声，就降低 α 或者提高 β。

3.4 音乐噪声问题：成因与解决方案

音乐噪声（musical noise）是谱减法最臭名昭著的副作用。它听起来像是一串随机出现的短促纯音，频率忽高忽低，非常不自然。

成因分析：

• 噪声估计不准确：实际噪声和估计噪声有偏差，导致某些频点被过度削减或削减不足
• 帧间不连续：相邻帧的增益函数变化剧烈，在频域产生随机尖峰
• 相位随机性：噪声的相位是随机的，幅度谱减法无法处理相位信息

解决方案：

1. 平滑增益函数：对增益做帧间平滑，减少突变
2. 使用谱下限：β 不要太小，保留一点背景噪声可以掩蔽音乐噪声
3. 噪声估计更新：用更鲁棒的方法（如最小值跟踪）估计噪声，而不是只取前几帧
4. 过减因子自适应：根据信噪比动态调整 α，高 SNR 时用小 α，低 SNR 时用大 α

下面是一个带平滑的改进版本：

def spectral_subtraction_smooth(y, sr, n_fft=512, hop_length=128, alpha=2.0, beta=0.02, smooth_factor=0.8):
    f, t, Zxx = stft(y, fs=sr, nperseg=n_fft, noverlap=n_fft - hop_length)
    mag = np.abs(Zxx)
    phase = np.angle(Zxx)

    noise_frames = 5
    noise_mag = np.mean(mag[:, :noise_frames], axis=1, keepdims=True)

    gain = 1 - alpha * noise_mag / (mag + 1e-10)
    gain = np.maximum(gain, beta)

    # 帧间平滑
    gain_smooth = np.zeros_like(gain)
    gain_smooth[:, 0] = gain[:, 0]
    for i in range(1, gain.shape[1]):
        gain_smooth[:, i] = smooth_factor * gain_smooth[:, i-1] + (1 - smooth_factor) * gain[:, i]

    mag_clean = gain_smooth * mag
    Zxx_clean = mag_clean * np.exp(1j * phase)
    _, y_clean = istft(Zxx_clean, fs=sr, nperseg=n_fft, noverlap=n_fft - hop_length)
    return y_clean

3.5 谱减法知识体系总览

下面这张图把谱减法的核心流程、参数影响和音乐噪声的解决路径串起来了，方便你对照理解。

从图上可以清楚看到，谱减法是一个开环系统——噪声估计的准确性直接决定了最终效果。而音乐噪声问题，本质上就是噪声估计误差和增益不连续共同作用的结果。

3.6 小结与避坑清单

最后，我把谱减法实践中的常见坑和应对方法列出来，你照着做基本不会翻车：

• 噪声估计不要只取前几帧：如果噪声是非平稳的，用 VAD（语音活动检测）动态更新噪声谱效果更好
• α 和 β 要联动调整：α 大了，β 也要适当提高，否则音乐噪声会爆炸
• 不要忽略相位：虽然谱减法不修改相位，但 STFT 的窗函数选择和帧移会影响相位连续性，进而影响听感
• 先听再调参：客观指标（如 PESQ、STOI）只能做参考，最终要以人耳听感为准。我见过 PESQ 提升 0.3 但听感更差的案例